Learning Gaussian mixtures using the Wasserstein–Fisher–Rao gradient flow
利用 Wasserstein–Fisher–Rao 梯度流学习高斯混合模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦通用混合分布的似然优化与算法收敛，没有经济选择、结构参数或其他给定细分领域的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用 Wasserstein–Fisher–Rao 梯度流学习高斯混合模型
- 研究问题
- 如何为高斯混合模型的非参数最大似然估计构造具有收敛保证的算法，并改善似然优化中常见的计算困难？
- 方法与思路
- 作者在配备 Wasserstein–Fisher–Rao 几何的概率测度空间中做梯度下降，以交替更新权重和位置的交互粒子系统近似。
- 材料陈述的贡献
- 摘要称建立了所提方法的收敛保证；数值实验支持其相对所列基准的效果，并展示同时更新粒子权重与位置的益处。
- 阅读关注点
- 应核对收敛所针对的目标、初始条件及混合模型限制，并区分测度空间算法的保证与有限粒子实现的实际性质。
- 阅读边界
- 仅据版本未注明的索引摘要；未说明收敛条件、速率及粒子近似误差，实验比较不能推出对全部高斯混合问题的优势。
原文摘要
Gaussian mixture models form a flexible and expressive parametric family of distributions that has found a variety of applications. Unfortunately, fitting these models to data is a notoriously hard problem from a computational perspective. Currently, only moment-based methods enjoy theoretical guarantees while likelihood-based methods are dominated by heuristics such as Expectation-Maximization that are known to fail in simple examples. In this work, we propose a new algorithm to compute the nonparametric maximum likelihood estimator (NPMLE) in a Gaussian mixture model. Our method is based on gradient descent over the space of probability measures equipped with the Wasserstein–Fisher–Rao geometry for which we establish convergence guarantees. In practice, it can be approximated using an interacting particle system where the weight and location of particles are updated alternately. We conduct extensive numerical experiments to confirm the effectiveness of the proposed algorithm compared not only to classical benchmarks but also to similar gradient descent algorithms with respect to simpler geometries. In particular, these simulations illustrate the benefit of updating both weight and location of the interacting particles.